快速傅里叶变换

  快速傅里叶变换在算法竞赛中是能高效的计算多项式的算法，可以从$O(n^2)$的时间复杂度，通过卷积的思想优化到$O(nlogn)$，当然在通信方面也有很大的作用。

卷积

  对于多项式乘法来说现在给你两个多项式，请你求出他们的和。
  例如:
F:$(a+b{x}^2+c{x}^3\dots \dots +d{x}^k)$
P:$(ex+f{x}^2+g{x}^3\dots \dots +h{x}^k)$

  那么我们假定a[],b[]分别代表了多项式F和多项式P的系数，数组代表他们的指数
  那么我们的程序就这么写

for(int i=1;i<=k;i++){//枚举次数 
	for(int j=0;j<=i;j++){
		ans[i]+=a[j]*b[i-j];
	}
}

其实不难发现这个算法的时间复杂度是$O(n^2)$的远远高于我们我们预期的时间要求。
我们当前求的东西其实也叫卷积
$$ans[i]=\sum _{i?j==k}a[i]b[j]$$
其中？为i和j之间的某种运算

两种表示法

对于一个多项式来说我们可以写成
$\sum _{i=0}^{n-1}a[i]x^i$,它有n个系数$a[i]$，这是系数表示法。
同时如果在这个多项式上取$n+1$(只有多取一个点才会确定这一个多项式，否则不是唯一的解)，选出来的是:$(x_0,F(x_0)),(x_1,F(x_1))...(x_n,F(x_n))$
同时如果多项式P的点值表示法为$(x_0,P(x_0)),(x_1,P(x_1))...(x_n,P(x_n))$
那么我们很容易得到：
$P\ast F$的点值表示法是$(x_0,P(x_0)\ast F(x_0)),(x_1,P(x_1)\ast F(x_1))...(x_n,P(x_n)\ast F(x_n))$
那么$P(x)\ast F(x)=P\ast F(x)$

但是题目一般会要求我们用系数表示法转换成为点值表示法，这里需要用到DFT，如果是点值表示法转换成为系数表示法，那么就是IDFT。

而 FFT 就是通过取某些特殊的x的点值来加速 DFT 和 IDFT 的过程,那么x的点值其实就是我们接下来要介绍的单位复根。

单位复根

单位复根：$x^n=1$的复数解，在复平面上其实就是单位圆上的全部点。

解决了刚刚上面的问题，那么我们现在的问题又来了。

$P\ast F$的点值表示法是$(x_0,P(x_0)\ast F(x_0)),(x_1,P(x_1)\ast F(x_1))...(x_n,P(x_n)\ast F(x_n))$

但是我们需要点值表示法再转换为系数表示法来完成我们的fft整个操作，高斯消元相对而言十分的麻烦，因此我们为了优化这一点，引入了单位复根$w$，单位复根有着十分优良的性质，已知$w^k=1$,两个单位复根相乘，表示为模长相乘，辐角相加，那么我们就可以类似于理解为切蛋糕的想法，把这个蛋糕切成k等分，以上符合条件的部分就可以叫做复根，用$w$表示。

（图源OIwiki 传送门）

同时，单位复根有着非常优良的性质：

${\omega }_n^k={\omega }_n^{k\%n}$

对任意的n,${\omega }_n^0=1$

${\omega }_n^k=({\omega }_n^1{)}^k$

${\omega }_n^k={\omega }_n^1\ast {\omega }_n^1\ast ...\ast {\omega }_n^1\text{(共k个)}$

两个n次单位根${\omega }_n^j\ast {\omega }_n^k={\omega }_n^{j+k}$

$({\omega }_n^k{)}^{-1}=({\omega }_n^k{)}^{-1}={\omega }_n^{-k}={\omega }_n^{n-k}$

${\omega }_n^{n-k}\ast {\omega }_n^k={\omega }_n^{n-k+k}={\omega }_n^n={\omega }_n^0=1$

${\omega }_{pn}^{pk}={\omega }_n^k$

如果n是偶数,${\omega }_n^{(k+n/2)}=-{\omega }_n^k$

DFT

DFT的基本思路是分而治之
如下
假设$f(x)=1+2x+x^2+2x^3+x^4+2x^5$
那么$f(x)=(1+x^2+x^4)+x\ast (2+2x^2+2x^4)$
设$fl(x)=(1+x+x^2),fr(x)=(2+2x+2x^2)$
整理一下：
$$f(x)=fl(x^2)+x\ast fr(x^2)$$
这个就是分治的一个基本流程
根据单位根的性质我们可以得到

$f(w_n^k)=fl((w_n^k{)}^2)+w_n^k\ast fr((w_n^k{)}^2)=fl(w_{n/2}^k)+w_n^k\ast fr(w_{n/2}^k)$

$f(w_n^{k+n/2})=fl((w_n^{k+n/2}{)}^2)+w_n^{k+n/2}\ast fr((w_n^{k+n/2}{)}^2)=fl(w_{n/2}^k)-w_n^k\ast fr(w_{n/2}^k)$

这两条式子在分治的情况下的作用十分大。

到这里,如果我们知道两个多项式$fl(x)$和$fr(x)$分别在${\omega }_{n/2}^0,{\omega }_{n/2}^1,{\omega }_{n/2}^2,...,{\omega }_{n/2}^{n/2-1}$的点值表示,用$f({\omega }_n^k)=fl({\omega }_{n/2}^k)+{\omega }_n^{k}fr({\omega }_{n/2}^k)$可以$O(n)$求出$f(x)$在${\omega }_n^0,{\omega }_n^1,{\omega }_n^2,...,{\omega }_n^{n/2-1}$处的点值表示。

用$f({\omega }_n^{k+n/2})=fl({\omega }_{n/2}^k)-{\omega }_n^{k}fr({\omega }_{n/2}^k)$可以$O(n)$求出$f(x)$在${\omega }_n^{n/2},{\omega }_n^{n/2+1},{\omega }_n^{n/2+2},...,{\omega }_n^{n-1}$处的点值表示。
所以如果我们知道两个多项式$fl(x)$和$fr(x)$分别在${\omega }_{n/2}^0,{\omega }_{n/2}^1,{\omega }_{n/2}^2,...,{\omega }_{n/2}^{n/2-1}$的点值表示,就可以$O(n)$求出$f(x)$在${\omega }_n^0,{\omega }_n^1,{\omega }_n^2,...,{\omega }_n^{n-1}$处的点值表示。
我们就成功的获得了$f(x)$的点值标示。然后就可以递归分治了。

IDFT

我们知道IDFT其实就是DFT的一个逆变换，其实本质上也就是点值表示法到系数表示法的一个转换。
假设$f(x)=a_0+a_{1}x+a_2{x}^2+...+a_{n-1}{x}^{n-1}$
经过DFT变换以后就变成了点值序列A
将多项式做如下变换：
$A(k)=\sum _{i=0}^{n-1}f(i)w_n^{ik}$
经过推证：
$n\ast f(k)=\sum _{i=0}^{n-1}(w_n^{-k}{)}^{i}A(i)$
简而言之：就是把DFT中的$w_n^1$换成$w_n^{-1}$，搞完以后除以n就可以了。

蝴蝶变换

这是一个优化的方式：
因为在分治的过程中，我们一定会有很多的拷贝情况
那么分奇偶分治有如下的一个规律
1 2 3 4 5 6 7 8
1 3 5 7 | 2 4 6 8
1 5 | 3 7 | 2 6 | 4 8
1 | 5 | 3 | 7 | 2 | 6 | 4 | 8
对应的二进制为
1 ：000 1：000
2： 001 5：100
3： 010 3：010
4： 011 7：110
5： 100 2：001
6： 101 6：101
7： 110 4：011
8： 111 8：111
正好是二进制位的倒转。
那么我们可以用一个递推的做法，来完成如下的操作。

for(int i=0;i<_max;i++){
	a[i]=a[i>>1]>>1|((i&1)?_max>>1:0);
	//前面的是除了第一位，根据递推来求其他位的反转
	//后边的求我们最高位有没有。
	//也就是如果原来的数第一位有数，那么现在就是最高位 
}

代码实现

构造复数类

struct cp{
	double x,y;
	//构造函数 
	cp(double _x=0.0,double _y=0.0){
		x=_x,y=_y;
	}
	cp operator + (cp const &c)const {
		return cp(x+c.x,y+c.y);
	}
	cp operator - (cp const &c)const {
		return cp(x-c.x,y-c.y);
	}
	cp operator * (cp const &c)const {
		return cp(x*c.x-y*c.y,x*c.y+y*c.x);
	}
};